Analisa Klasifikasi Komentar Motogp Pada Media Sosial Twitter Menggunakan Algoritma Support Vector Machine Dan Naive Bayes
Keywords:
Analisa, Komentar, Twitter, Support Vector Machine, Naïve BayesAbstract
Tingginya komentar mengenai event suatu perlombaan balap motor motoGP dalam sebuah media cetak maupun media elektronik, menjadikan peristiwa tersebut menjadikan pembicaraan banyak orang di dunia nyata maupun didunia maya. Terlebih di era digital saat ini sangat mempermudah masyarakat ramai untuk mendapatkan suatu informasi yang mereka inginkan, baik melalui website atau melalui media social yang ada dan terkadang info dimuat secara real time pada saat itu juga komentar di tayangkan tentang trending topik yang ada di dunia maya. Akan hal tersebut paper ini akan melakukan klasifikasi seberapa akuratkan komentar mengenai motogp yang ada didalam media social yang ada seperti twitter yang menjadi wadah masyarakat banyak untuk membicarakan tentang perlombaan balap motoGP tersebut. Dalam paper ini akan menerapkan dua algoritma klasifikasi untuk menguji seberapa akuratkah informasi atau komentar yang menjadi banyak pembicaraan orang melalui media social twitter. Pada paper ini akan menerapkan algoritma Support Vector Machine dan Navie Bayes dalam pengolahan text mining. Hasil dari nilai akurasi algoritma SVM adalah sebesar 95,50% sedangkan nilai akurasi NB adalah sebesar 90,00%.
References
Aprilla, D, Baskoro, Donny Aji, Ambarwati, Lia, & Wicaksana, IWayan Simri. (2013). Belajar Data Mining dengan Rapid Miner. Jakarta.
Aggrawal, C., & Zhai, C. (2012). Mining text data. Mining Text Data (Vol. 4 ) http://doi.org/10.1007/978-1-4614-3223-4
Agustina, P. A., Matulatan, T., Tech, M., Si, M. B. S., Sc, M., Informatika, J., … Umrah, H. (n.d.). KLASIFIKASI TRENDING TOPIC TWITTER DENGAN PENERAPAN METODE NAÏVE BAYES ( The Classification Of The Trending Topic Of Twitter â€TM s With Naïve Bayes Method ).
Amrullah, Ahmad Afief, Ahmad Tantoni, Nahrowi Hamdani, Rahmat Taufik R.L.Bau, Muhammad Rafiqudin Ahsan dan Ema Utami.2016. Review Atas Analisis Sentimen Pada Twitter Sebagai Representasi Opini Publik Terhadap Bakal Calon Pemimpin.
Aydin, I., Karakose, M., & Akin, E. (2011). A multi-objective artificial immune algoritma for parameter optimization in support vector machine. Journal Applied Soft Computing, 11, 120-129.
Belloti, T., & Crook, J. (2007). Support vector machine for credit scoring and Jiscovery of significant features. Expert System with Application: An International Journal, 36, 3302-3308.
Buntoro, G. A. (2017). Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter, 1(1), 32–41.
Chandani, Vinita, Romi Satria Wahono,dan Purwanto.2015. Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen Review Film, ISSN 2356-3982.__. Journal of Intelligent Systems, Vol. 1, No. 1, February 2015.
Feldman R., Sanger James (2007). The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press.
Gerunescu, Florin (2011). Data Mining: Concept, Model, And Techniques. Verlag Scoring Berlin Heidelberg: Springer.
Go, A., Huang, L., & Bhayani, R. (2009). Twitter Sentiment Analysis. Final Project Report, Stanford University, Department of Computer Science.
Hadna, Nurrun Muchammad Shiddieqy, Paulus Insap Santosa dan Wing Wahyu Winarno. 2016. Studi Literatur Tentang Perbandingan Metode Untuk Proses Analisis Sentimen Di Twitter, ISSN :2089-9815. Yogyakarta: Seminar Nasional Teknologi Informasi dan Komunikasi (Sentika 2016).
Hamzah, Amir. 2012. Klasifikasi Teks Dengan Naive Bayes Classifier (NBC) Untuk Pengelompokan Text Berita dan Abstrak Akademis, ISSN:1979-911X. Yogyakarta : Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III.
Han, Kamber, Pei (2012) Data Mining Concept and Technique. Morgan Kaufman Pubisher.
Hermawati, Fajar Astuti. 2013. Data mining. Yogyakarta : Andi.
Hermawati, Melayu S.P (2002). Manajemen Sumber Daya Manusia. Jakarta: Bumi Aksara.
Ibrahim, Danny. 2017. Analisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan, ISSN: 2579-9045 ISBN: 978-602-74355-1-3. Tegal : Seminar Nasional IPTEK Terapan (SENIT) 2017.
Ipmawati, Joang,Kusrini dan Emha Taufiq Luthfi. 2016. Komparasi Teknik Klasifikasi Teks Mining Pada Analisis Sentimen, ISSN :2461-0690.Jakarta : IJSE – Indonesian Journal on Software Engineering Vol. 2 No 2.
Jehan. S. K. (2015). Perhitungan Analisis Sentimen Berbasis Komparasi Algoritma Naive Bayes dan K-Nearest Neighbour Berbasis Particle Swarm Optimization pada Komentar Insiden Pembalap MotoGP.
Kusrini, dan Emha Taufiq Luthfi. 2009. Algoritma Data mining. Yogyakarta: Andi Offset.
Kharde, V. A. (2016). Sentiment Analysis of Twitter Data : A Survey of Techniques, 139(11), 5–15.
Lee, K., Palsetia, D., Narayanan, R., Patwary, M. A., Agrawal, A., & Choudhary, A. (2011). Twitter Trending Topic Classification, 251–258. https://doi.org/10.1109/ICDMW.2011.171
Manalu, Boy, U. (2014). ANALISIS SENTIMEN PADA TWITTER MENGGUNAKAN TEXT MINING SKRIPSI.
Mashape (2013). mashape.com. List of 20+ Sentiment Analysis APIs. Accessed on May 25, 2014 from http://blog.mashape.com/post/48757031167/list-of-20-sentiment-analysis-apis Miner.
Mustofa, Mufid. (2016). Pengembangan Sistem Pendukung Keputusan Penjurusan Bagi Siswa Baru Menggunakan Metode Naive Bayes. Polteknik Negeri Malang.
North, Matthew (2012). Data Mining for The Masses. A Global Text Project Book.
Nurhuda, Faishol, Sari Widya Sihwi dan Afrizal Doewes. 2013. Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier, ISSN :2301-7201. Jakarta : Jurnal ITSMART Vol. 2 No. 2 Desember 2013.
Pang, B., and Lee, L. (2008). Opinion mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135.
Prasetyo, Eko. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi Offset.
Safari, Cecep Barkah. 2012. Skripsi Analisis Sentimen Menggunakan Metode Klasifikasi SVM.Jakarta : Universitas Pendidikan Indonesia.
Sari, Eka Novita. (2013, Agustus).Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion Group Medan. Jurnal Pelita Informatika Budi Darma, Vol IV, No. 3, pp 35-39.
Subiyakto, A’ang. 2008. Penggunaan Algoritma Klasifikasi Dalam Data mining. Jakarta : Syarif Hidayatullah State Islamic University.
Sugiyono. (2013). Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung:Alfabeta.
S, Umajancy & Antony, Selvadoss. T. 2013. An Analysis On Text Mining-Text Retrieval And Text Extraction. International Journal of Advance Research in Computer and Communication Engineering Vol. 2, Issue 8, August 2013. ISSn (Print) : 2319-5940. ISSN (Online) : 2278-1021.
Vulandari, Retno Tri.2017. Data mining Teori dan Aplikasi Rapidminer. Yogyakarta : Gava Media.
Wahono, Romi Satria,Nanna Suryana Herman, dan Sabrina Ahmad. 2014. A Comparison Framework of Classification Models for Software Defect Prediction. America : Adv. Sci. Lett. 20, 1945–1950, 2014.
Weiss Sholom M., Indurkhya Nitin, Zhang Tong (2010). Fundamentals of Predictive Text Mining. Springer-Verlag London Limited.
Witten, I. H. (2005). The Practical Handbook of Internet Computing. In M. P. Singh, The Practical Handbook of Internet Computing Chapter 14 (pp. 1-23). Danvers, MA: Chapman and Hall/CRC Press. XLSTAT.
Zubiaga, A., Spina, D., & Mart, R. (2013). Real-Time Classification of Twitter Trends, 2013.
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
